最近在尝试使用image-text类型的LLM来判断图像。因为是GIS专业的，就随便找了一张街景。采用了Qwen VL Plus模型。
- 首先调用很丝滑。api配置很简单，环境配置很简单。
- 其次费用比较低。平均下来，一张图用了差不多1k token，这样的话，免费额度可以问1，000张。
- 但是回答的幻觉还是有的。
- 在街景图像中。只有google的水印。但是他描述了图片中有地名的存在……
- 文本描述能力上，文风多样。一会儿轻快愉悦。一会儿沉稳。甚至拒绝回答。
QWEN-VL Plus 使用小记
2024-12-11
645
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
本文涉及的产品
简介：
近期尝试使用Qwen VL Plus模型处理图像识别任务，以GIS专业背景选择了一张街景图片进行测试。体验上，API调用流畅，环境配置简单，且成本低廉，免费额度可支持约1,000张图片的处理。不过，模型在某些情况下会产生幻觉，如对仅含Google水印的街景图片错误地描述存在地名信息。此外，其文本描述风格多变，从轻松愉快到沉稳不一，有时甚至会拒绝回答。
目录
相关文章
|
监控
PyTorch
算法框架/工具
|
机器学习/深度学习
人工智能
算法
通义千问Qwen-72B-Chat大模型在PAI平台的微调实践
本文将以Qwen-72B-Chat为例，介绍如何在PAI平台的快速开始PAI-QuickStart和交互式建模工具PAI-DSW中高效微调千问大模型。
149744
88
102
|
8月前
|
机器学习/深度学习
编解码
JSON
|
8月前
|
JSON
文字识别
测试技术
Qwen2.5-VL Cookbook来啦！手把手教你怎么用好视觉理解模型！
今天，Qwen团队发布了一系列展示 Qwen2.5-VL 用例的Notebook，包含本地模型和 API 的使用。
2596
22
22
|
7月前
|
自然语言处理
测试技术
决策智能
让RAG更聪明，ViDoRAG开启视觉文档检索增强生成新范式，上阿里云百炼可直接体验
视觉丰富文档的高效检索与生成是自然语言处理领域的重大挑战。ViDoRAG（Visual Document Retrieval-Augmented Generation via Dynamic Iterative Reasoning Agents）由阿里巴巴通义实验室、中国科学技术大学和上海交通大学联合提出，通过多智能体框架和动态迭代推理机制解决此问题。其核心包括多模态混合检索策略和多智能体生成流程，同时发布的ViDoSeek数据集，专为大规模文档集合设计，提供复杂推理与精准问答的评估基准。实验表明，ViDoRAG在准确率和效率上优于传统方法，未来将优化系统性能并降低计算成本。
857
63
64
|
10月前
|
JSON
文字识别
数据可视化
Qwen2-VL微调实战：LaTex公式OCR识别任务（完整代码）
《SwanLab机器学习实战教程》推出了一项基于Qwen2-VL大语言模型的LaTeX OCR任务，通过指令微调实现多模态LLM的应用。本教程详述了环境配置、数据集准备、模型加载、SwanLab集成及微调训练等步骤，旨在帮助开发者轻松上手视觉大模型的微调实践。
2211
4
4
|
10月前
|
自然语言处理
NoSQL
API
基于百炼平台qwen-max的api 打造一套 检索增强 图谱增强 基于指令的智能工具调用决策 智能体
基于百炼平台的 `qwen-max` API，设计了一套融合检索增强、图谱增强及指令驱动的智能工具调用决策系统。该系统通过解析用户指令，智能选择调用检索、图谱推理或模型生成等工具，以提高问题回答的准确性和丰富性。系统设计包括指令解析、工具调用决策、检索增强、图谱增强等模块，旨在通过多种技术手段综合提升智能体的能力。
683
5
5
|
6月前
|
人工智能
前端开发
Java
AI大模型进阶系列(03) prompt 工程指南 | 实战核心技术有哪些？
本文深入讲解了AI大模型中的prompt工程。文章分析了role角色（system、user、assistant）的意义，message多轮会话记忆机制，以及prompt的核心三要素（上下文背景、输入内容、输出指示）。同时介绍了多种提示优化技术，如少样本提示、CoT链式思考、prompt chaining链式提示、思维树ToT提示等，还展示了让AI生成提示词的方法，为实际应用提供了全面指导。
675
2
3
|
10月前
|
机器学习/深度学习
人工智能
算法
|
10月前
|
机器学习/深度学习
人工智能
安全
通义视觉推理大模型QVQ-72B-preview重磅上线
Qwen团队推出了新成员QVQ-72B-preview，这是一个专注于提升视觉推理能力的实验性研究模型。提升了视觉表示的效率和准确性。它在多模态评测集如MMMU、MathVista和MathVision上表现出色，尤其在数学推理任务中取得了显著进步。尽管如此，该模型仍存在一些局限性，仍在学习和完善中。
2036
51
55
热门文章
最新文章
1
【MCP教程系列】搭建基于 Spring AI 的 SSE 模式 MCP 服务并自定义部署至阿里云百炼
2
Agent与大模型的区别
3
揭秘大模型工具调用的核心：上下文工程+MCP
4
RAG 是什么？一文带你看懂 AI 的“外挂知识库”
5
AI 超级智能体全栈项目阶段一：AI大模型概述、选型、项目初始化以及基于阿里云灵积模型 Qwen-Plus实现模型接入四种方式（SDK/HTTP/SpringAI/langchain4j）
6
意图识别准确率97.6%！高阶多轮对话RAG架构实战分享
7
阿里云百炼产品月刊【2025年9月】
8
AI 超级智能体全栈项目阶段四：学术分析 AI 项目 RAG 落地指南：基于 Spring AI 的本地与阿里云知识库实践
9
语义检索翻车？可能是你的Embedding模型没选对！
10
MCP详解：背景、架构与应用
1
AI 超级智能体全栈项目阶段四：学术分析 AI 项目 RAG 落地指南：基于 Spring AI 的本地与阿里云知识库实践
204
2
通义万相2.5-图生视频-Preview，模型使用指南
150
3
智能体协作革命：基于LangGraph实现复杂任务自动分工
109
4
《大模型驱动的智能文档解析系统：从领域适配到落地优化的全链路开发实践》
63
5
意图识别准确率97.6%！高阶多轮对话RAG架构实战分享
206
6
工具设计+动态检索：上下文工程如何让AI智能体像人类一样思考？
74
7
阿里云百炼产品月刊【2025年9月】
336
8
算法入门：专题一：双指针（有效三角形的个数）
69
9
揭秘大模型工具调用的核心：上下文工程+MCP
472
10
AI 超级智能体全栈项目阶段二：Prompt 优化技巧与学术分析 AI 应用开发实现上下文联系多轮对话
559